Please use this identifier to cite or link to this item: http://repositorio.unicamp.br/jspui/handle/REPOSIP/337292
Type: Artigo
Title: Implementações paralelas para o algoritmo online sequential extreme learning machine aplicado à previsão de material particulado
Title Alternative: Parallel implementations for the online sequential extreme learning machine algorithm applied to the prediction of particulate matter
Author: Grim, Luis Fernando Lopes
Barajas, Jorge Andres Bueno
Gradvohl, Andre Leon Sampaio
Abstract: O algoritmoOnline Sequential Extreme Learning Machineé adequado para previsão de Fluxos de Dados comDesvios de Conceito. No entanto, esse tipo de previsão exige implementações de alto desempenho devidoà alta taxa de entrada de amostras. Neste trabalho, analisamos implementações paralelas para oOnlineSequentialExtremeLearningMachineem linguagem de programação C, com as bibliotecas OpenBLAS, IntelMKL e MAGMA. A OpenBLAS e a Intel MKL fornecem funções que exploram os recursosmultithreadem CPUscom vários núcleos, o que estende o paralelismo para arquiteturas de multiprocessadores. Por sua vez, aMAGMA oferece funções que são executadas em paralelo em arquiteturas heterogêneas ou híbridas, comosistemas com processadores Multicore e unidades de processamento grá co, a GPU. Assim, o objetivo destetrabalho é comparar o desempenho – erro de previsão/precisão e tempo real de processamento do uxo –das implementações em C com oOnlineSequentialExtremeLearningMachineoriginal no MATLAB, ao preverconcentrações de material particulado no ar. Os resultados experimentais mostraram que, na maioria doscasos abordados aqui, pelo menos uma das implementações na linguagem C obteve melhor desempenho emrelação ao tempo de processamento do uxo, quando comparado com a versão de referência do MATLAB,executando até 7 vezes mais rápido
metadata.dc.description.abstractalternative: The Online Sequential Extreme Learning Machine algorithm is suitable for forecasting Data Streams with Concept Drifts. Nevertheless, forecasting requires high-performance implementations due to the high incoming samples rate. In this work, we analyzed parallel implementations for the Online Sequential Extreme Learning Machine in the C programming language, with OpenBLAS, Intel MKL, and MAGMA libraries. Both OpenBLAS and Intel MKL provide functions that explore the multithread features in multicore CPUs, which expands the parallelism to multiprocessors architectures. In turn, MAGMA offers functions that run in parallel in heterogeneous/hybrid architectures, like Multicore systems with graphics processing unit, the GPU. Thus, the goal of this work is to compare the performance - prediction error/precision and real stream processing time - of the C implementations with the original Online Sequential Extreme Learning Machine in MATLAB when forecasting concentrations of Particulate Matter in the air. Experimental results showed that in most cases approached here, at least one of the C implementations obtained better performance, regarding stream processing time, when compared with the reference MATLAB version, performing up to 7-fold faster
Subject: Fluxo de dados (Computadores)
Country: Brasil
Editor: Universidade de Passo Fundo
Rights: Aberto
Identifier DOI: 10.5335/rbca.v11i2.9089
Address: http://seer.upf.br/index.php/rbca/article/view/9089
Date Issue: 2019
Appears in Collections:FT - Artigos e Outros Documentos

Files in This Item:
File Description SizeFormat 
000474396900002.pdf444.56 kBAdobe PDFView/Open


Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.